Universum-based support vector machine incorporates prior information about the distribution of data in training of the classifier. This leads to better generalization performance but with increased computation cost. Various twin hyperplane-based models are proposed to reduce the computation cost of universum-based algorithms. In this work, we present an efficient angle-based universum least squares twin support vector machine (AULSTSVM) for classification. This is a novel approach of incorporating universum in the formulation of least squares-based twin SVM model. First, the proposed AULSTSVM constructs a universum hyperplane, which is proximal to universum data points. Then, the classifying hyperplane is constructed by minimizing the angle with the universum hyperplane. This gives prior information about data distribution to the classifier. In addition to the quadratic loss, we introduce linear loss in the optimization problem of the proposed AULSTSVM, which leads to lesser computation cost of the model. Numerical experiments are performed on several benchmark synthetic, real-world, and large-scale datasets. The results show that proposed AULSTSVM performs better than existing algorithms w.r.t. generalization performance as well as computation time. Moreover, an application to Alzheimer’s disease is presented, where AULSTSVM obtains accuracy of 95% for classification of healthy and Alzheimers subjects. The results imply that the proposed AULSTSVM is a better alternative for classification of large-scale datasets and biomedical applications.

基于 Universum 的支持向量机在分类器的训练中结合了有关数据分布的先验信息。这会导致更好的泛化性能，但会增加计算成本。提出了各种基于双超平面的模型来降低基于通用算法的计算成本。在这项工作中，我们提出了一种高效的基于角度的通用最小二乘双支持向量机 (AULSTSVM) 用于分类。这是一种将 universum 结合到基于最小二乘法的孪生 SVM 模型公式中的新方法。首先，所提出的 AULSTSVM 构建了一个接近于 universum 数据点的 universum 超平面。然后，通过最小化与universum超平面的角度来构建分类超平面。这为分类器提供了有关数据分布的先验信息。除了二次损失之外，我们在所提出的 AULSTSVM 的优化问题中引入了线性损失，从而降低了模型的计算成本。在几个基准合成、真实世界和大规模数据集上进行了数值实验。结果表明，所提出的 AULSTSVM 在泛化性能和计算时间方面均优于现有算法。此外，还介绍了对阿尔茨海默病的应用，其中 AULSTSVM 对健康和阿尔茨海默病受试者的分类获得了 95% 的准确率。结果表明，所提出的 AULSTSVM 是对大规模数据集和生物医学应用进行分类的更好选择。这导致模型的计算成本较低。在几个基准合成、真实世界和大规模数据集上进行了数值实验。结果表明，所提出的 AULSTSVM 在泛化性能和计算时间方面均优于现有算法。此外，还介绍了对阿尔茨海默病的应用，其中 AULSTSVM 对健康和阿尔茨海默病受试者的分类获得了 95% 的准确率。结果表明，所提出的 AULSTSVM 是对大规模数据集和生物医学应用进行分类的更好选择。这导致模型的计算成本较低。在几个基准合成、真实世界和大规模数据集上进行了数值实验。结果表明，所提出的 AULSTSVM 在泛化性能和计算时间方面均优于现有算法。此外，还介绍了对阿尔茨海默病的应用，其中 AULSTSVM 对健康和阿尔茨海默病受试者的分类获得了 95% 的准确率。结果表明，所提出的 AULSTSVM 是对大规模数据集和生物医学应用进行分类的更好选择。泛化性能和计算时间。此外，还介绍了对阿尔茨海默病的应用，其中 AULSTSVM 对健康和阿尔茨海默病受试者的分类获得了 95% 的准确率。结果表明，所提出的 AULSTSVM 是对大规模数据集和生物医学应用进行分类的更好选择。泛化性能和计算时间。此外，还介绍了对阿尔茨海默病的应用，其中 AULSTSVM 对健康和阿尔茨海默病受试者的分类获得了 95% 的准确率。结果表明，所提出的 AULSTSVM 是对大规模数据集和生物医学应用进行分类的更好选择。